Software Engineer, Voice Agents

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Backend-инженер в команду AI Voice Agents: строит сервисы на Python, которые обеспечивают работу голосовых агентов — от приёма звонка до записи пациента. Роль middle-уровня в небольшой команде с ежедневными релизами.

Задачи

• Разрабатывать backend-сервисы на Python для голосовых агентов в реальном времени: оркестрация звонков, состояние диалога, выполнение инструментов, запись данных в EHR
• Участвовать в создании низколатентных пайплайнов, объединяющих телефонию, ASR, LLM и TTS в единый разговорный цикл
• Интегрироваться с медицинскими системами (Epic, Cerner, athena и др.) для записи, проверки права на обслуживание и intake
• Совместно с senior-инженерами проектировать API, модели данных и event-driven workflows
• Работать с AI, product и operations, чтобы выпускать функции, которыми реально пользуются команды доступа пациентов
• Отвечать за качество релизов: latency, надёжность, observability и готовность к выпуску

Требования

• 2–4 года опыта backend-разработки, преимущественно на Python
• Опыт выпуска production-сервисов, API и моделей данных
• Понимание того, как люди взаимодействуют с автоматическими ассистентами через голос и текст
• Комфорт с async, event-driven или real-time системами (или желание в них вырасти)
• Сильные фундаментальные знания в тестировании, оценке LLM, observability и надёжности
• Ориентация на пациента: проектировать для человека на другом конце линии, а не только для метрик
• Bias for action и ownership mindset

Условия

• Full-time, 5 дней в неделю в офисе в Mountain View, CA
• Небольшая команда с ежедневными релизами и возможностью роста к более сложным задачам
• Работа напрямую с клиницистами, быстрый цикл обратной связи между разработкой и влиянием на помощь пациентам

Навыки

• Python
• ASR
• LLM
• TTS
• Telephony
• EHR
• Epic
• Cerner
• athena
• API
• Event-driven architecture
• Real-time systems
• Observability
• Testing
• LLM evaluation